01.03.2021
Наш канал в Telegram: https://t.me/berzaru

Южноуральские учёные научили нейросеть выявлять опухоли мозга

Снимки мозга

Учёные Южно-Уральского государственного университета в соавторстве с зарубежными коллегами предложили новую модель классификации снимков МРТ на основе технологий глубокого обучения нейронной сети, которая позволяет быстрее и точнее выявлять злокачественные опухоли мозга. Результаты исследования были опубликованы в научном журнале Journal of Big Data, проиндексированном в наукометрической базе Scopus.

Глиобластома представляет собой злокачественную опухоль мозга 4-й стадии, при которой происходит бесконтрольное размножение большой части клеток опухоли. Такие опухоли опасны для жизни и могут привести к частичной или полной умственной и физической инвалидности.

Исследование проводилось интернациональной научной группой, состоящей из пяти представителей университетов Индии и представителей ЮУрГУ — старшего научного сотрудника кафедры системного программирования ВШ ЭКН, пост-дока Кумара Сэчина и кандидата физико-математических наук, доцента Михаила Цымблера, и было посвящено разработке методов компьютерного анализа снимков МРТ (магнитно-резонансной томографии) для выявления опухолей глиобластомы на основе технологий искусственных нейронных сетей.

Глубокое обучение является широко применяемым подходом для классификации изображений, поскольку оно способно автоматически извлекать из изображений характерные признаки для дальнейшей обработки. Корректность извлеченных признаков, однако, не гарантируется, поскольку пока не разработана соответствующая строгая математическая процедура проверки.

«В данном исследовании была предложена новая модель классификации снимков МРТ на основе технологий глубокого обучения, использующая гибридный подход. Модель предполагает выполнение классификации в три этапа. На первом этапе выполняется предварительная обработка данных, которая предполагает извлечение признаков из изображения посредством дискретного вейвлет-преобразования (функция, позволяющая анализировать частотность данных), векторизацию изображения (делает возможным масштабирование изображения без потери качества) и конструкцию дополнительных признаков для обработки. Второй этап связан с уменьшением размерности изображений с использованием метода главных компонент и предоставляет векторы признаков уменьшенной размерности, используемые для более точной классификации изображений. Третий этап предполагает работу стека ограниченных машин Больцмана (RBM, Restricted Boltzmann machine), формирующих глубокую сеть доверия со скрытыми уровнями, которая завершает процесс классификации», ― поясняет Кумар Сэчин.

Как правило, глубокая сеть доверия требует большого количества скрытых слоев нейронной сети с большим количеством нейронов в каждом слое для лучшего извлечения характерных признаков из изображения. Это увеличивает пространственную и вычислительную сложность, а также время обучения модели. Однако, благодаря интеграции в модель вейвлет-преобразования, были уменьшены сложность и время ее обучения. Статистическая проверка подтвердила, что предложенная гибридная модель классификации опережает известные аналоги по времени обучения и точности классификации.

Исследование может быть расширено в направлении повышения эффективности классификационной модели при работе с большим количеством снимков МРТ, в которых имеются шаблоны окклюзионного типа. Окклюзия в общем случае свидетельствует о закупорке сосудов в мозге и требует особого внимания для правильной диагностики. В данном исследовании не рассматривалось приложение разработанной модели для опухолей с шаблонами окклюзионного типа, поэтому применение методов глубокого обучения к указанным данным является интересным направлением для будущих исследований.

Ссылка на источник.